Jun, 2024

YOLO9tr：一种利用广义高效层聚合网络和注意力机制的轻量级路面损坏检测模型

PDF
TL;DR本研究提出了 YOLO9tr，一种基于深度学习的新型轻量级目标检测模型，用于道路损坏检测，其在特征提取和注意力机制方面引入了部分注意力块，以提高在复杂情况下的检测性能，并通过多国的道路损坏图像数据集进行训练，扩展了损坏分类范围，并与 YOLO8、YOLO9 和 YOLO10 等先进模型相比具有更高的精度和推断速度，达到高达 136FPS 的帧率，适用于实时应用，该研究进一步验证了部分注意力块的有效性，突出了 YOLO9tr 在实时道路状况监测中的潜力，为维护安全和功能良好的道路基础设施提供了稳健和高效的解决方案。
发现论文，激发创造
  • Cycle-YOLO: 一种高效稳健的路面损害检测框架

    本文提出了一个增强的道路损伤检测方法，利用 CycleGAN 和改进的 YOLOv5 算法，通过数据增强方法、注意力机制和空洞空间金字塔池化等技术，成功实现了道路损伤的实时、准确检测，并在实际应用中取得了良好结果。

    May, 2024

  • 基于 YOLOv8 的道路危害的视觉检测：坑洞、下水道盖和人孔

    在道路基础设施维护和保障道路安全中，有效检测道路危险是至关重要的。本研究评估了 YOLOv8，一种物体检测模型，在检测路面危险，如坑洞、下水道盖和人孔等方面的综合性能。通过与之前版本 YOLOv5 和 YOLOv7 的比较分析，强调了计算效率在各种应用中的重要性。本文探讨了 YOLOv8 的架构，并探索了旨在提高检测准确性的图像预处理技术，包括光照、道路类型、危险大小和类型的多样条件。此外，通过调整学习率、批量大小、锚点框大小和增强策略进行超参数调优实验，优化模型的性能。模型评估基于 Mean Average Precision (mAP)，这是一种广泛接受的物体检测性能指标。通过在多种测试场景下计算 mAP 分数，本研究评估了模型的稳健性和泛化能力，强调了 YOLOv8 在道路危险检测和基础设施维护中的重要性。

    Oct, 2023

  • 基于 Transformer 预测头改进 YOLOv5 的计算机视觉损伤检测模型

    提出了一种基于 DenseNet 块和 CBAM 的实时深度学习伤害检测模型，采用先进的自我注意机制实现多尺度目标检测，并减少计算复杂度，结果显示该模型性能优于当前最先进模型，是准确和鲁棒的机器人在现实场景下实现自动化损坏检测系统的重要一步。

    Mar, 2023

  • YOLO-TLA：基于 YOLOv5 的高效轻量级小物体检测模型

    我们在本文中提出了 YOLO-TLA，这是一种基于 YOLOv5 的先进物体检测模型，通过在颈部网络金字塔架构中引入一个额外的检测层来检测小对象，从而提供一个更大尺度的特征图以辨别小对象的更细致特征，并将 C3CrossCovn 模块集成到骨干网络中，有效地减少计算需求和参数数量，使模型更加紧凑

    Feb, 2024

  • 实时深度学习车辆和行人检测与分析

    通过训练和评估 YOLOv8 和 RT-DETR 模型的不同版本，我们的研究项目旨在创建和验证一个先进的深度学习框架，能够处理复杂视觉输入，以实时识别各种环境中的汽车和行人。YOLOv8 Large 版本被证明是最有效的，在行人识别方面具有很高的准确性和鲁棒性。研究结果表明，该模型能够显著提高交通监控和安全性，成为计算机视觉领域实时可靠检测的重要贡献，并为交通管理系统建立了新的基准。

    Apr, 2024

  • MFL-YOLO: 损坏交通标志物的目标检测模型

    我们提出了基于 YOLOv5s 的改进目标检测方法 MFL-YOLO（互补特征级别损失增强 YOLO），通过设计简单的跨级别损失函数，使得模型的每个级别都具有自己的作用，有助于学习更多多样化的特征并提高细粒度。相比 YOLOv5s，我们的 MFL-YOLO 在 F1 得分和 mAP 上分别提高了 4.3 和 5.1，同时减少了 8.9% 的 FLOPs。Grad-CAM 热图可视化显示我们的模型能更好地关注损坏交通标志的局部细节。此外，我们还对 CCTSDB2021 和 TT100K 进行了实验证明我们模型的泛化性。

    Sep, 2023

  • 基于深度学习的自动道路裂缝检测与分类

    本研究提出了使用 You Only Look Once (YOLO) 版本五（YOLOv5）和版本八（YOLOv8）算法来检测和分类道路路面裂缝的方法。实验结果表明，在不同照明条件和图像尺寸下，路面裂缝的检测精度可达 67.3%。该研究的发现可以帮助公路管理机构准确地检测和分类不同照明条件下的资产状况，减少人工检查的成本和时间，极大地降低公路资产维护的成本。

    Jun, 2024

  • YOLOv10：实时端到端物体检测

    通过消除非极大值抑制（NMS）的依赖性和综合优化 YOLOs 的各个组件，本研究提出了一种新一代的实时端到端目标检测模型 YOLOv10，其在性能和效率方面均取得了最新的成果。

    May, 2024

  • 用 YOLO 模型和迁移学习推进道路标志检测

    本文使用了改进的 YOLOv5 和 YOLOv8 模型，在不同照明条件下检测和分类不同的道路标志，实验结果表明，两个模型在不同训练设置下都能表现良好，其中 YOLOv8 模型的 MAP50 得分略高。这些发现为寻求可靠且适应性强的物体检测应用方案的从业人员提供了宝贵的见解。

    Jun, 2024

  • 针对视障人士的户外障碍物检测研究

    深度学习目标检测在帮助视力受损者避开障碍物方面是一种有效的方法，本文通过实现并评估七种不同的 YOLO 目标检测模型（YOLO-NAS，YOLOv8，YOLOv7，YOLOv6 和 YOLOv5）来分析这些模型在道路和人行道上常见物体的图像上的表现，并发现 YOLOv8 是最佳模型，其在包含 VOC、COCO 和 TT100K 数据集的 Obstacle 数据集上表现出 80% 的精确度和 68.2% 的召回率，尽管 YOLO-NAS 是最新的模型，在其他应用中表现更好，但对于障碍物检测任务来说并不理想。

    Dec, 2023